进入21世纪后,计算机技术取得了飞速发展。目前人们的工作、学习、信息获取等诸多方面都与互联网密切相关。互联网的普及让生活变得便利的同时,也带来了信息过载等问题。推荐算法有效地缓解了这个问题,可以为用户推荐其感兴趣的信息。本文同时考虑单个用户兴趣偏好和用户之间互相影响的因素,提出了基于主题模型和用户相似度的推荐算法,主要工作包括:（1）提出了基于主题模型和用户相似度的推荐算法。算法使用LDA（Latent Dirichlet Allocation）主题模型,生成用户对物品的偏好概率矩阵。根据用户特征对用户进行聚类,计算用户间的权值。将用户偏好信息与用户间的权值相融合,计算出用户对物品的最终偏好,产生推荐结果。对比已有的推荐算法,本算法在召回率和精确率等指标上都得到了提高,并降低了算法在数据稀疏性问题上的求解难度。（2）提出了利用用户分组信息计算用户间权值的方法。方法根据用户使用标签的数据将用户进行聚类,把具有相似偏好的用户划分到同一个群组中,并依据用户分组信息计算用户间的权值。用户偏好会随时间推移发生变化,方法根据用户标记物品的时间,计算基于时间的用户相似度。方法将用户分组信息权重和相似度信息相融合,得到用户间的最终权值。（3）提出了基于标签挖掘用户兴趣的方法。方法利用LDA主题模型对用户-标签数据和标签-物品数据分别进行处理,将标签中语义信息融入用户和物品二元数据中,得到用户对物品的偏好概率。方法将用户间的权重和用户的物品偏好信息相融合,模拟用户互相影响的过程,得到用户对物品最终的偏好情况。该方法对比仅考虑用户的评分信息和标签数量的传统方法,更好的挖掘了用户的潜在兴趣。本文使用了推荐算法领域内常用的Last.fm数据集进行了实验,根据用户感兴趣的音乐流派为其推荐歌手。实验结果显示本文提出的推荐算法在音乐领域有良好的效果,能优化用户的使用体验。